בעת ייצור בינה מלאכותית, ישנם מספר אתגרים שאתה יכול להיתקל בהם, כגון כיצד ליישם את מודל ה-AI שלך על תהליך או אנשים, ייצוב נתונים ומודלים, כיצד לשמור על המודל שלך מדויק בסביבות משתנות ולאורך זמן, קנה מידה וכיצד לגדול או הגדל את היכולות של דגם הבינה המלאכותית שלך.
הטמעת AI
הפעלת הוכחת מושג (PoC) מוצלחת של למידת מכונה עם אלגוריתם חדש היא רק 10% מהמאמץ הנדרש כדי לייצר אותו ולהפיק ממנו ערך ממשי. את 90% הנותרים ניתן לחלק לדברים שאתה צריך לעשות כדי ליצור מוצר שמיש ולדברים שאתה צריך לעשות כדי ליצור מוצר שימושי.
כדי ליצור מוצר שמיש, עליך להתמקד ביישום הטכני של הפיכת המוצר לזמין למשתמשים שלך. כדי להפוך אותו לשימושי, עליך להסתכל על הטבעת המוצר בתהליך עבור המשתמשים. אולם ראשית, מה בדיוק ההבדל בין PoC למוצר שמיש?
קודם כל, PoCs לא מיועדים לייצור. מוצרים צריכים לעבוד כל הזמן, בכל זמן, ובנסיבות משתנות. במהלך ה-PoC שלך, אתה מוצא את הנתונים שאתה מחפש, יוצר עותק ומתחיל לנקות אותם ולנתח אותם. בייצור, מקור הנתונים שלך חייב להיות מחובר לפלטפורמת נתונים בזמן אמת, בטוח ומאובטח; יש לתפעל את זרם הנתונים באופן אוטומטי ולהשוות ל/לשלב עם מקורות נתונים אחרים.
במהלך ה-PoC שלך, או שיש לך את הלוקסוס להיות מסוגל לדבר עם המשתמשים העתידיים שלך ולעבוד איתם כדי לעצב פתרון, או שאין לך משתמשים בכלל, ואתה מעצב פתרון טכני. עבור מוצר, יש לך משתמשים שצריכים להבין את הפתרון הזה, ואנשים שאחראים לשמור על הפתרון הטכני פועל. לפיכך, מוצר דורש הדרכה, שאלות נפוצות ו/או קווי תמיכה כדי שיהיה ניתן לשימוש. יתר על כן, אתה פשוט יוצר גרסה חדשה עבור מקרה השימוש האחד שלך ב-PoC. מוצרים דורשים עדכונים, וכאשר פרסמת את המוצר שלך עבור לקוחות מרובים, אתה צריך דרך לבדוק ולפרוס את הקוד שלך לייצור (צינורות CI/CD).
"ב-Itility, פיתחנו את מפעל הנתונים של Itility ומפעל AI המכסים את אבני הבניין והפלטפורמה הבסיסית לכל אחד מהפרויקטים שלנו. זה אומר שיש לנו את הזווית השמישה מכוסה מההתחלה, כדי שנוכל להתמקד בזווית השימושית (שהיא יותר תלויה בלקוח ובמקרה השימוש)", ציינה החברה.
אפליקציית איתור מזיקים - מ-PoC ועד למוצר שמיש
"שלב הוכחת הקונספט של אפליקציית זיהוי המזיקים שלנו כלל מודל שיכול לבצע את המשימה הצרה של סיווג וספירת זבובים על מלכודת דבק על סמך תמונות שצולמו על ידי חברי צוות החממה. במקרה שהם פספסו תמונה או אם משהו השתבש, הם יכולים לחזור ולצלם תמונה נוספת, או לתקן אותה ישירות בלוח המחוונים. היה צורך בכמה בדיקות ידניות.
"עולם ה-PoC שלנו היה פשוט, מבוסס על מכשיר אחד בודד, משתמש אחד ולקוח אחד בודד. עם זאת, כדי להפוך אותו למוצר שמיש, היינו צריכים להרחיב ולתמוך במספר לקוחות. לאחר מכן, עולה השאלה כיצד לשמור על נתונים מופרדים ומאובטחים. יתרה מכך, כל לקוח/מכונה בודדים דורשים הגדרה ותצורת ברירת מחדל. אז איך להגדיר/להגדיר 20 לקוחות חדשים? איך יודעים מתי לבנות ממשק ניהול ולהפוך את ההטמעה לאוטומטית? אצל 2 לקוחות, 20 או 200?"
כמובן, עשויות להיות לך שאלות, כגון 'איך ספירת זבובים עוזרת ללקוח שלי? איך ליצור ערך מהמידע הזה? איך להמליץ על החלטות ולפעול? איך יישום AI זה משתלב בתהליך העסקי?'. שלב ראשון הוא לשנות את מסגרת ההתייחסות שלך מנקודת מבט טכנית/נתונים לפרספקטיבה של משתמש הקצה. משמעות הדבר היא להמשיך בשיחה עם הלקוח שלך ולראות כיצד ה-PoC המוכח משתלב בתהליכים היומיומיים.
"אתה גם צריך לעקוב מקרוב אחר התהליך במשך תקופה ארוכה יותר, אתה צריך להצטרף לפגישות מבצעיות וטקטיות כדי להבין באמת אילו פעולות ננקטות בכל יום על סמך איזה מידע, כמה זמן מושקע בעשייה מה, וההיגיון מאחורי פעולות מסוימות. מבלי להבין כיצד המידע מהמודל שלך משמש ליצירת ערך עסקי, לא תגיע למוצר שימושי.
"במקרה שלנו, גילינו באיזה מידע נעשה שימוש כדי לקבל החלטות. לדוגמא, גילינו שעבור מזיקים מסוימים היה חשוב יותר לעקוב אחר הטרנד השבועי (שעבורו לא צריך דיוקים סופר גבוהים) בעוד שאחרים דורשים פעולה בסימן הראשון של מזיק (מה שאומר שעדיף זוג של חיובי שגוי מאשר שיש אפילו שלילי שגוי אחד).
"בנוסף, גילינו שללקוח שלנו היה בעבר ניסיון 'רע' עם כלי דומה בטענה שיש לו דיוקים שהוא לא יכול לספק בפועל. למה שיסמכו על שלנו? לקחנו את בעיית האמון הזו חזיתית והפכנו את הדיוק והשקיפות למאפיין מרכזי של המוצר. השתמשנו במידע זה כדי להפוך את המוצר שלנו לשימושי על ידי התאמת האפליקציה לשיטות העבודה של משתמש הקצה, ועל ידי הגברת השקיפות באינטראקציה, מתן שליטה רבה יותר למשתמש באפליקציה", ממשיכה החברה.
מה האתגר הכי גדול?
"בתרחיש ספירת הזבובים שלנו, אנחנו יכולים לדבר על ציון הדיוק שלנו כל מה שאנחנו רוצים. עם זאת, כדי להיות שימושי, המשתמש (מומחה חממות) צריך יותר מאחוזים. מה שצריך זה לחוות את זה, וללמוד לסמוך על זה. הדבר הגרוע ביותר שיכול לקרות הוא כאשר המשתמשים שלך משווים את התוצאות שלך עם התוצאות הידניות שלהם ויש אי התאמה (גדולה). המוניטין שלך נהרס ואין מקום להחזיר את האמון. התנגדנו לכך על ידי הוספת תוכנה למוצר המעודדת את המשתמש לחפש את הפערים הללו ולתקן אותם.
"הגישה שלנו היא לפיכך להפוך את המשתמש לחלק מפתרון הבינה המלאכותית במקום להציג אותו כמערכת שתחליף את המומחה. אנחנו הופכים את המומחה למפעיל. בינה מלאכותית מגבירה את יכולותיהם והמומחים נשארים בשליטה על ידי לימוד והנחיה מתמשך של ה-AI ללמוד יותר ולבצע תיקונים כאשר הסביבה או משתנים אחרים נסחפים. כמפעיל, המומחה הוא חלק בלתי נפרד מהפתרון - לימוד והדרכה של ה-AI בפעולות ספציפיות".
נְקִישָׁה כאן כדי לראות סרטון עם פרטים נוספים על הגישה הממוקדת במפעיל.